Page 95 - 无损检测2025年第四期

王 硕，等：

基于集成算法的混凝土中钢筋直径涡流检测

由表4可以看到，随着C增大，均方误差和平均 了决策树的复杂度，较小时不能很好地解释模型，但
绝对误差小幅度减小，决定系数也变化不大，而且 过大时会使决策树结构过于复杂，在小样本上的预
考虑到C越大，模型会对训练数据中的噪声和异常 测出现过拟合，故选择d max =5。
值越敏感，从而出现过拟合。所以选择C=100较为 （2）保持d max =5不变，设置n t =30，50，100，随
合适。 机森林模型的预测误差和决定值分别如表8所示。
（2）保持C=100和ε=0. 1不变，设置γ=0. 01， 表8 n t 参数对随机森林模型的影响
0. 1，1，SVM模型的预测误差和决定系数值如表5 参数设置 M SE M AE R 2
所示。 n t =30 5.209 85 2.052 68 0.874 57
γ
表5 γ 参数对SVM模型的影响 n t =50 5.146 63 2.032 71 0.876 09
n t =100 5.678 43 2.156 66 0.863 29
参数设置 M SE M AE R 2
γ=0.01 3.991 37 1.769 23 0.903 91 由表8可以看到，随着决策树数量的增多，均方
γ=0.1 1.949 14 1.010 98 0.953 07
误差和平均绝对误差先减小后增大，在n t =50时，误
γ=1 0.832 75 0.682 54 0.979 95
差和决定系数表现最优，故选择n t =50。
由表5可以看到，随着γ 增大，误差减小，决定系 4.2 集成学习钢筋直径预测模型
数也逐渐增大，但增大的幅度降低，同时由于较大的 SVM模型对噪声和异常值具有很好的鲁棒性，
γ 值会使模型更加关注于训练数据中的局部特征而 而RF通过构建多棵决策树并进行平均，能够有效地
可能导致过拟合，故选择γ=0. 1。
处理高维数据并控制过拟合。Stacking模型结合了
（3）保持C=100和γ=0.1不变，设置ε=0.1，0.2，
RF和SVM的优点，使用SVM作为基学习器来捕捉
0.5，SVM模型的预测误差和决定系数值如表6所示。
数据的非线性关系，然后利用RF作为元学习器来学
ε
表6 ε 参数对SVM模型的影响
习这些预测结果的组合。利用不同模型的多样性可
参数设置 M SE M AE R 2
以提高模型的泛化能力。
ε=0.1 0.832 75 0.682 54 0.979 95
将SVM模型、随机森林模型、SVM-随机森林
ε=0.2 0.812 80 0.705 16 0.980 43
集成模型应用于钢筋直径预测中，将测试集数据输
ε=0.5 0.849 15 0.757 48 0.979 56
入到3个模型中进行性能评估。3个模型的预测值
由表6可以看到ε 在增大的过程中，误差先减小
与实际值的对比如图7所示。
后增大，决定系数也先增大后减小。在ε=0. 2时，
SVM、随机森林与集成模型的性能指标如表9
误差最小，决定系数最大，故选择ε=0. 2。
所示，各模型的性能指标对比如图 8 所示。可以看
4.1.2 随机森林模型参数设置
到，相较于单一模型，集成模型的预测效果明显变
参数设置时，要考虑随机森林模型中决策树的数
量n t 和最大深度d max 对预测效果的影响，进行如下分析。 好，均方误差下降了 63%，平均绝对误差则下降了
（1）保持n t =100不变，设置d max =2，5，8，随机 56%，而决定系数提高了9%。
森林模型的预测误差和决定系数值如表7所示。
5 结语
表7 d max 参数对随机森林模型的影响
文章利用钢筋直径涡流动态仿真试验，在不同
参数设置 M SE M AE R 2
条件下获取大量检测数据，并将随机森林-支持向量
d max =2 20.368 55 3.902 38 0.509 62
d max =5 5.678 43 2.156 66 0.863 29 机Stacking集成算法应用到混凝土钢筋直径涡流检
d max =8 4.053 74 1.647 03 0.902 41 测中。试验结果表明，集成模型比单一模型的预测
由表7可以看到， d max =2时，误差较大，预测效 效果更好，精度更高，在混凝土钢筋直径检测领域具
果较差，增加到5时，误差明显降低，拟合效果也较 有更好的应用前景，对钢筋混凝土涡流检测仪器的
好，但继续增大时，误差变化不大。由于该参数控制 研制具有指导意义。

61
2025 年 第 47 卷 第 4 期
无损检测